IR-SIM：用于导航学习和基准测试的轻量级声明式模拟器

制定导航策略需要支持可重复训练和评估的模拟场景。尽管有许多模拟器可用，但构建不同的导航场景通常涉及编写特定于模拟器的代码、使用复杂的图形界面、执行大量手动配置或依赖资源密集型计算平台，这使得场景难以在实验中重现和重用。为此，我们开发了智能机器人模拟器（IR-SIM），这是一种作为 Python 库实现的轻量级声明式模拟器，通过快速构建可重用和多样化的场景以及在可访问平台上高效执行来支持导航学习和基准测试。 IR-SIM 将场景表示为人类可读的 YAML 配置，其中可以灵活指定和组合必要的对象、行为、传感器、地图和环境参数。这种声明式表示使 IR-SIM 对 大语言模型 (LLM) 支持的代理很友好，使他们能够通过提供的代理技能编写和修改可执行的导航场景文件，而不是编写大量难以重用的代码。尽管实现轻量级，IR-SIM 仍提供了导航仿真的基本组件，同时保留了与高保真模拟器的接口以进行下游验证。实验表明，IR-SIM 在评估的 CPU 平台上运行速度提高了数百倍，而代理技能在两个评估模型中将基于 LLM 的平均场景构建时间减少了 50\%$ 以上。实验进一步表明了支持可重复基准测试和基于 RL 的导航策略学习的能力。